数据分布 - AI在线

NeurIPS | 对比采样链：让扩散模型更快、更准、更清晰的秘密武器

论文 Contrastive Sampling Chains in Diffusion Models 的精炼解读。一眼概览该论文提出了一种对比采样链（Contrastive Sampling Chains, CSC）方法，通过对比损失和得分匹配相结合，优化扩散模型（DMs）的采样过程，从而减少离散化误差，提高生成图像的质量，同时提升采样速度。核心问题扩散模型在使用数值求解方法进行采样时不可避免地引入离散化误差，导致生成样本与真实数据分布之间存在偏差。

让模型预见分布漂移：动态系统颠覆性设计引领时域泛化新革命

在实际应用中，数据集的数据分布往往随着时间而不断变化，预测模型需要持续更新以保持准确性。时域泛化旨在预测未来数据分布，从而提前更新模型，使模型与数据同步变化。然而，传统方法假设领域数据在固定时间间隔内收集，忽视了现实任务中数据集采集的随机性和不定时性，无法应对数据分布在连续时间上的变化。